Linha do tempo do desenvolvimento de IA

Kurt Gödel publicou seus teoremas da incompletude, provando que qualquer sistema formal suficientemente poderoso contém proposições que não podem ser provadas nem refutadas dentro desse sistema. Essa descoberta não apenas chocou a comunidade matemática, mas também teve implicações profundas para a teoria da computação e a inteligência artificial.

Alonzo Church e Alan Turing propuseram independentemente a famosa tese de Church-Turing. Essa tese afirma que qualquer função efetivamente computável é Turing-computável. Isso formaliza a noção intuitiva de «computabilidade» e tornou-se a base da ciência da computação.

Alan Turing introduziu o conceito da máquina de Turing em seu artigo seminal «On Computable Numbers, with an Application to the Entscheidungsproblem». Esse modelo computacional abstrato pode simular qualquer processo matematicamente computável.

Alonzo Church propôs o cálculo lambda, um sistema formal para definição e aplicação de funções. O cálculo lambda é considerado a base teórica da programação funcional. O cálculo lambda original de 1936 não tinha tipos; Church adicionou tipos simples em 1940 («A Formulation of the Simple Theory of Types»), criando um dos primeiros sistemas explicitamente tipados.

Warren McCulloch e Walter Pitts publicaram «A Logical Calculus of the Ideas Immanent in Nervous Activity», introduzindo o primeiro modelo de neurónio artificial (neurónio McCulloch-Pitts). Esse modelo simplificou os neurónios em interruptores de limiar binário, lançando as bases para pesquisas posteriores em redes neurais.

Norbert Wiener publicou «Cybernetics: Or Control and Communication in the Animal and the Machine», fundando a nova disciplina da cibernética. O estudo de como os sistemas se regulam por meio de mecanismos de feedback teve impacto profundo na IA e na robótica.

Claude Shannon publicou «A Mathematical Theory of Communication», lançando as bases da teoria da informação. Conceitos como entropia, codificação e quantidade de informação tornaram-se ferramentas centrais para compreender dados e processar informação.

Em «Computing Machinery and Intelligence», Turing substituiu a pergunta ambígua «As máquinas podem pensar?» pelo jogo da imitação, no qual um interrogador usa uma conversa por texto para distinguir uma máquina de um ser humano. Trata-se de um critério comportamental, não de uma prova de consciência.

Em 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon usaram o termo «artificial intelligence» na proposta do Dartmouth Summer Research Project e delinearam um programa de pesquisa para o verão de 1956.

O workshop de Dartmouth no verão de 1956 ajudou a estabelecer o nome «artificial intelligence» e sua agenda de pesquisa como identidade de um novo campo académico; o termo já aparecia na proposta de 1955.

Allen Newell e Herbert Simon desenvolveram o «Logic Theorist», um dos primeiros programas práticos de IA. Este programa podia provar teoremas do Principia Mathematica e é frequentemente citado entre os primeiros programas de IA. Newell e Simon receberam o Prémio Turing em 1975.

Frank Rosenblatt propôs o modelo Perceptron, um modelo inicial influente de rede neural artificial. O Perceptron é um classificador binário linear simples que aprende a classificar dados de entrada ajustando pesos.

John McCarthy desenvolveu o Lisp no MIT, uma das primeiras linguagens de alto nível estreitamente associadas à pesquisa em IA. A flexibilidade do Lisp e seu poderoso processamento simbólico o tornaram a linguagem preferida para pesquisa em IA.

Newell e Simon desenvolveram o General Problem Solver (GPS) entre 1957 e 1959, com colaboradores como J. C. Shaw. Foi o primeiro programa de IA a tentar simular a resolução humana de problemas separando a técnica de resolução do conhecimento do domínio específico do problema, recorrendo à decomposição de objetivos e à pesquisa de subobjetivos (análise meios-fins).

Frank Rosenblatt provou a propriedade de convergência do algoritmo de aprendizagem do perceptron, mostrando que se os dados forem linearmente separáveis, o perceptron definitivamente convergirá.

O Unimate tornou-se o primeiro robô a trabalhar numa linha de montagem. Em 1961, a General Motors instalou-o na fábrica de Trenton, em Nova Jérsia, para descarregar uma máquina de fundição injetada, retirando da máquina as peças ainda quentes. A Unimation construiu estas máquinas para trabalhos difíceis, perigosos ou monótonos para as pessoas.

Em sua tese de doutorado no MIT, de 1963, Larry Roberts descreveu um sistema para interpretar, a partir de imagens, cenas de sólidos poliédricos simples, uma importante base inicial da visão computacional tridimensional.

O MIT lançou o Project MAC em 1963 sob a direção de Robert Fano para estudar tempo compartilhado, computação e cognição auxiliada por máquinas. O projeto de inteligência artificial do MIT, fundado em 1959, participou depois; os dois não eram um único laboratório fundado em 1959.

Joseph Weizenbaum criou o ELIZA no MIT, um dos primeiros chatbots. O ELIZA simulava a conversa de um psicoterapeuta por meio de correspondência de padrões, provocando reflexões profundas sobre a interação humano-computador.

O SRI International desenvolveu o Shakey, um dos primeiros robôs móveis autónomos que podia perceber seu ambiente, planear caminhos e executar tarefas. O Shakey combinava visão computacional, PLN e algoritmos de planeamento.

Marvin Minsky e Seymour Papert publicaram «Perceptrons», uma análise rigorosa do que perceptrons de camada única podem ou não representar. O livro é frequentemente associado à queda posterior do interesse em redes neurais, mas as mudanças de financiamento também refletiram limites computacionais, expectativas frustradas e decisões políticas mais amplas.

Alain Colmerauer, Philippe Roussel e seus colaboradores desenvolveram em Marselha a primeira versão do Prolog, aplicando a lógica de predicados à programação e impulsionando a programação lógica e a IA simbólica.

O cientista britânico James Lighthill apresentou ao governo do Reino Unido um relatório pessimista sobre a pesquisa em IA, levando a cortes significativos no financiamento.

Marvin Minsky publicou o «Frame Paper», propondo a teoria dos frames para representação de conhecimento. Essa teoria influenciou a programação orientada a objetos e os métodos de representação de conhecimento posteriores.

A Universidade de Stanford desenvolveu o MYCIN, um sistema especialista para diagnóstico médico. Ele demonstrou a praticidade dos sistemas especialistas, embora nunca tenha sido utilizado clinicamente devido a questões de responsabilidade.

A DEC implementou o XCON (eXpert CONfigurer), um sistema especialista para configurar sistemas informáticos VAX. O desenvolvimento começou em 1978 na Universidade Carnegie Mellon, a primeira implementação deu-se em 1979 e o sistema estava plenamente operacional em 1980. Foi um dos primeiros sistemas especialistas com êxito comercial e permitiu à empresa poupar milhões por ano.

Após avaliações críticas e cortes de financiamento nos anos 1970, parte da pesquisa em IA entrou em retração. O «primeiro inverno da IA» é uma periodização retrospectiva, com momento e intensidade diferentes entre países e áreas.

O Japão anunciou o projeto do computador de quinta geração (FGCS) numa conferência do JIPDEC e do MITI em outubro de 1981, uma iniciativa nacional de 10 anos para desenvolver computadores capazes de raciocínio lógico e processamento de conhecimento. O projeto foi lançado formalmente em abril de 1982, com a fundação do ICOT (Institute for New Generation Computer Technology).

David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram sobre o algoritmo de retropropagação, tornando possível o treino de redes neurais multicamadas.

No final da década de 1980, expectativas que tinham ultrapassado os resultados foram frustradas. Os fabricantes de máquinas Lisp perderam terreno para as estações de trabalho de uso geral, várias empresas de IA fecharam e o financiamento da DARPA à investigação básica em IA caiu entre 1987 e 1989.

Na década de 1990, os métodos estatísticos começaram a dominar a pesquisa em IA. Modelos Ocultos de Markov (HMMs) no reconhecimento de fala, Naive Bayes e árvores de decisão na aprendizagem automática, todos obtiveram bons resultados.

Os militares dos EUA usaram sistemas de planeamento e logística baseados em IA na Guerra do Golfo, demonstrando o potencial da IA em aplicações do mundo real.

Tim Berners-Lee criou a World Wide Web. A popularização da internet mudou o estilo de vida humano e forneceu recursos de dados sem precedentes para a IA.

A crise atenuou-se gradualmente, em vez de terminar numa data precisa. Muitos investigadores voltaram-se para objetivos mais modestos e alcançáveis, enquanto o renascimento das redes neurais e dos métodos probabilísticos estabeleceu as bases para uma nova era.

Vladimir Vapnik e outros propuseram a máquina de vetores de suporte (SVM), um método poderoso de classificação e regressão. A SVM alcançou excelente desempenho em classificação de textos e reconhecimento de escrita manual.

O Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, demonstrando a capacidade da IA de superar as capacidades humanas em tarefas bem definidas.

Sepp Hochreiter e Jürgen Schmidhuber propuseram a LSTM, um tipo especial de RNN capaz de aprender dependências de longo prazo. A LSTM alcançou grande sucesso no reconhecimento de fala e na modelagem de linguagem.

Yann LeCun desenvolveu a LeNet-5, uma CNN para reconhecimento de dígitos manuscritos. A LeNet-5 foi um dos primeiros modelos de aprendizagem profunda implementados comercialmente em larga escala, usada pela AT&T/NCR na leitura de cheques a partir de 1993 e pelos Serviços Postais dos EUA no reconhecimento de códigos postais a partir do final da década de 1990.

Yoshua Bengio, Réjean Ducharme, Pascal Vincent e Christian Jauvin propuseram um modelo de linguagem neural probabilístico que aprende conjuntamente representações distribuídas de palavras e probabilidades de sequências para enfrentar a maldição da dimensionalidade. A rede é feed-forward, não recorrente.

A partir de 2004, um programa do CIFAR promoveu encontros regulares entre Geoffrey Hinton, Yann LeCun, Yoshua Bengio e colaboradores. A iniciativa coordenou pesquisas que contribuíram para o renascimento do deep learning, sem ser um ponto inicial único.

Geoffrey Hinton e os seus colegas propuseram as redes de crença profundas (DBN), com um algoritmo guloso e rápido que as treina uma camada de cada vez. Este pré-treino camada a camada ajudou a reavivar o interesse pelas redes neuronais profundas.

Investigadores começaram a usar GPUs para acelerar o treino de aprendizagem profunda. A computação paralela das GPUs tornou possível o treino de grandes redes neurais.

A equipa ImageNet publicou em 2009 o artigo sobre uma grande base hierárquica de imagens organizada com WordNet. O ImageNet e seu desafio de reconhecimento tornaram-se infraestrutura importante para treino e avaliação em larga escala.

A Microsoft Research e a Universidade de Toronto abriram caminho ao primeiro grande avanço da aprendizagem profunda no reconhecimento de fala (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), com reduções significativas da taxa de erro por palavra. A Google pôs em produção reconhecimento de fala baseado em DNN e LSTM entre 2012 e 2015.

A equipa de Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton apresentou o AlexNet na competição ImageNet de 2012 (ILSVRC) e venceu por uma margem esmagadora: um erro top-5 de 15,3%, contra 26,2% do segundo classificado.

Tomas Mikolov lançou o Word2Vec, um modelo de rede neural para aprender representações de palavras. O Word2Vec permitiu que os computadores compreendessem as relações semânticas entre palavras.

Ian Goodfellow propôs a GAN, uma das inovações mais importantes na aprendizagem profunda. A GAN gera imagens extremamente realistas por meio de treino adversarial.

Kaiming He e outros propuseram a ResNet, resolvendo a dificuldade de treino de redes profundas por meio de conexões de salto. A ResNet permitiu o treino de centenas de camadas.

O AlphaGo da DeepMind derrotou o campeão mundial de Go, Lee Sedol, por 4 a 1. O Go era considerado um dos jogos de tabuleiro mais difíceis para a IA.

O Google propôs a arquitetura Transformer, uma quebra revolucionária no PLN. O Transformer é a base dos modelos de linguagem modernos de grande escala.

A OpenAI lançou o GPT-3, um modelo de linguagem de grande escala com 175 mil milhões de parâmetros. O GPT-3 demonstrou capacidades surpreendentes de geração de linguagem, provocando discussões generalizadas sobre a AGI.

A OpenAI lançou o DALL-E (geração de imagens) e o CLIP (aprendizagem contrastiva imagem-texto). Esses modelos demonstraram a capacidade da IA de compreender e gerar conteúdo multimodal.

A OpenAI lançou o Codex, um modelo de IA que compreende e gera código. O GitHub Copilot tornou-se o primeiro assistente de programação com IA amplamente utilizado.

Em novembro de 2022, a OpenAI lançou o ChatGPT, o primeiro assistente conversacional generativo voltado ao mercado de massa. O ChatGPT alcançou 100 milhões de utilizadores em dois meses, tornando-se o produto de consumo de crescimento mais rápido da história.

A Stability AI lançou o Stable Diffusion, um modelo de geração de imagens com pesos descarregáveis livremente, sob uma licença que restringe certos usos. A atividade da comunidade de código aberto popularizou rapidamente a tecnologia de geração de imagens.

A OpenAI lançou o GPT-4, um modelo multimodal capaz de processar imagens e texto. O GPT-4 mostrou desempenho próximo ao humano em benchmarks profissionais e académicos.

A Anthropic lançou o Claude, um assistente de IA focado em segurança e utilidade. O design do Claude reflete a ênfase na segurança da IA — a IA deve ser útil, inofensiva e honesta.

A Meta lançou o LLaMA, um modelo de linguagem de grande escala sob licença de investigação não comercial. Embora o LLaMA tenha um tamanho de parâmetros relativamente pequeno, o seu excelente desempenho promoveu o desenvolvimento de LLMs de pesos abertos.

O conceito de agente de IA começou a receber atenção generalizada. Agentes são sistemas de IA capazes de planear e executar tarefas complexas de forma autónoma.

Em fevereiro de 2024, a Google apresentou o Gemini 1.5, com arquitetura mixture-of-experts e janela de contexto experimental de até um milhão de tokens.

A Anthropic lançou a série Claude 3, incluindo Opus, Sonnet e Haiku. O Claude 3 Opus foi competitivo com o GPT-4 em vários benchmarks, incluindo MMLU e GPQA, mas ficou atrás em outros.

A Meta lançou a família Llama 3 com pesos abertos, incluindo modelos de 8 e 70 mil milhões de parâmetros.

A União Europeia aprovou a Lei de IA, a primeira regulação horizontal abrangente da inteligência artificial. A lei estabeleceu uma classificação baseada em riscos e requisitos rigorosos para sistemas de IA de alto risco.

A OpenAI lançou o modelo o1, um modelo de grande escala com capacidades de raciocínio. O o1 tem excelente desempenho em tarefas científicas e de programação, demonstrando capacidade de «pensar».

Em outubro de 2024, a Anthropic lançou o beta público de uso de computador para uma versão atualizada do Claude 3.5 Sonnet, permitindo que desenvolvedores o orientassem a ver o ecrã, mover o cursor, clicar e escrever.

A Anthropic lançou o MCP (Model Context Protocol), um protocolo padrão aberto para conectar modelos de IA com ferramentas e fontes de dados externas. O MCP está se tornando o «USB-C» das aplicações de IA.

Até 2025, os agentes de IA amadureceram de demonstrações de pesquisa para ferramentas de produção. Agentes de codificação, agentes de navegador e agentes de tarefas multi-etapas tornaram-se ofertas padrão, com OpenAI, Anthropic, Google e projetos open source entregando sistemas capazes.

O laboratório chinês DeepSeek lançou o R1, um modelo de raciocínio com pesos abertos, com código e pesos sob licença MIT, cujo desempenho rivalizava com o o1 da OpenAI. O lançamento demonstrou que capacidades de fronteira podiam ser alcançadas fora do establishment de IA dos EUA e desencadeou uma reavaliação global da competição em IA.

A OpenAI, a Oracle, a SoftBank e a MGX, dos Emirados Árabes Unidos, anunciaram em conjunto a intenção de investir 500 mil milhões de dólares ao longo de quatro anos para construir infraestrutura de IA nos Estados Unidos, incluindo vários grandes centros de dados.

A Anthropic lançou o Claude 3.7 Sonnet, que apresentou como o primeiro modelo de raciocínio híbrido disponível ao público: os utilizadores podem alternar, no mesmo modelo, entre respostas imediatas e raciocínio alargado.

Em março de 2025, a Anthropic anunciou uma ronda de financiamento de 3,5 mil milhões de dólares com avaliação de 61,5 mil milhões de dólares, tornando-se uma das startups de IA mais bem avaliadas do mundo e refletindo a maior concentração de capital na indústria de IA.

A Meta lançou os modelos multimodais de pesos abertos Llama 4 Scout e Maverick e apresentou o Behemoth, um modelo professor ainda em treino e não lançado.

A Anthropic lançou a família Claude 4 (Opus 4 e Sonnet 4), introduzindo a capacidade de «pensamento estendido» (Extended Thinking) com melhorias significativas em programação, raciocínio e tarefas de longo horizonte. O Claude 4 consolidou a posição da Anthropic no mercado de IA empresarial.

Em 2 de agosto de 2025 tornaram-se aplicáveis as regras de governação e as obrigações para modelos de IA de finalidade geral. Outras disposições seguem calendários distintos; não foi o início geral da aplicação integral.

A OpenAI lançou o GPT-5, um modelo carro-chefe unificado que integra as capacidades de raciocínio da série o com as capacidades conversacionais da série GPT. O GPT-5 estabeleceu uma nova fronteira em programação, matemática e raciocínio, suportando contextos mais longos e uso de ferramentas.

A OpenAI concluiu a recapitalização da sua estrutura. O negócio com fins lucrativos passou a ser uma public benefit corporation denominada OpenAI Group PBC, e a OpenAI Foundation, entidade sem fins lucrativos, continua a controlá-lo com a mesma missão. Segundo a OpenAI, a recapitalização ocorreu após quase um ano de conversações com os procuradores-gerais da Califórnia e do Delaware.

No primeiro semestre de 2026, as capacidades agênticas saíram da demonstração e entraram nos produtos empresariais lançados: agentes de programação, de apoio ao cliente e de automatização de escritório passaram a ser funcionalidades documentadas, e em torno deles amadureceu a infraestrutura de chamada de ferramentas e de colaboração multiagente. Até onde chegou realmente a adoção não está estabelecido. Os inquéritos publicados apresentam taxas de produção muito diferentes porque não concordam sobre o que conta como agente; esta entrada regista por isso uma direção e não um nível.

No primeiro semestre de 2026, os lançamentos de pesos abertos da DeepSeek, da Alibaba Qwen, da Moonshot, da Zhipu e da Meta atingiram uma escala antes reservada aos sistemas fechados, com pesos e fichas de modelo descarregáveis e não apenas descritos. Saber se algum deles iguala a fronteira fechada depende do índice de referência utilizado e da sua ponderação; esta entrada regista por isso o que foi lançado e sob que licença, e não uma classificação.

A Nature publicou o Co-Scientist, um sistema multiagente construído sobre o Gemini que formula hipóteses de investigação inéditas para verificação experimental. O artigo relata a validação em três aplicações biomédicas: reposicionamento de fármacos, descoberta de novos alvos e explicação de mecanismos de resistência antimicrobiana. Os autores apresentam-no como assistente dos investigadores e não como substituto, o que constitui prova revista por pares de uma IA que participa na formulação de hipóteses e não apenas na análise.

Segundo reportagem de 11 de junho de 2026, a Meta começou a desfazer a integração da aquisição da Manus, interrompendo o compartilhamento de dados e separando operações. A reportagem relaciona a medida a exigências regulatórias chinesas; o estatuto jurídico e operacional posterior deve ser conferido em divulgações atualizadas.

Em 9 de junho de 2026, a Anthropic lançou o Fable 5 com salvaguardas para uso geral e o Mythos 5 para parceiros verificados do Project Glasswing. Os controles dos EUA de 12 de junho exigiram restrições a estrangeiros; sem conseguir verificar nacionalidade em tempo real, a empresa suspendeu ambos globalmente. Após a revogação em 30 de junho, o Fable 5 voltou globalmente em 1º de julho e o Mythos 5, inicialmente, para organizações americanas aprovadas.

A 13 de junho de 2026, uma coligação de procuradores-gerais estaduais dos EUA, liderada pelo procurador-geral do estado de Nova Iorque, abriu uma investigação à OpenAI e emitiu uma intimação. A intimação exige documentos relacionados com a colocação de publicidade, o envolvimento e a retenção de utilizadores, a tendência do modelo para a bajulação, o tratamento de dados de consumidores e de saúde, e a proteção de menores e idosos. A OpenAI afirmou que irá colaborar com os procuradores-gerais e sublinhou que o ChatGPT já dispõe de mecanismos mais rigorosos de proteção para menores.

Em 29 de junho de 2026, Samsung e SK Hynix anunciaram planos plurianuais de 800 biliões de won, incluindo quatro fábricas de memória no sudoeste sul-coreano. A conversão em dólares varia com o câmbio; escopo, aprovações e execução continuam sob revisão.

Em 1 de julho de 2026, a Google lançou o Gemini Spark — o seu assistente de IA agentic 24/7 — para macOS, com acompanhamento em tempo real e integração mais ampla com aplicações. Spark atua de forma persistente na vida digital do utilizador, marcando o impulso da Google para levar a IA agêntica ao desktop do consumidor.

Em julho de 2026, a Moonshot AI publicou no Hugging Face os pesos abertos do Kimi K3. A ficha do modelo indica 2,8 biliões de parâmetros no total, dos quais 104 mil milhões ativados, uma janela de contexto de 1 048 576 tokens e a licença Kimi K3. Pelo número total de parâmetros, estava, à data do lançamento, entre os maiores modelos de linguagem de descarregamento livre.

Em 1 de julho de 2026, a Cloudflare anunciou controlos separados para Search, Agent e Training, e indicou que a partir de 15 de setembro os novos domínios bloqueariam Training e Agent por padrão em páginas com anúncios, mantendo Search permitido; os proprietários podem alterar as opções e a regra mais restritiva vale para rastreadores multifunção.

Em 2 de julho de 2026, a Microsoft anunciou a Microsoft Frontier Company, uma nova unidade operacional focada em deployments de IA empresarial com as ferramentas de IA existentes da Microsoft. O projeto conta com um investimento de 2,5 mil milhões de dólares da Microsoft e 6 000 especialistas da indústria e engenharia — juntando-se à Amazon e à OpenAI no lançamento de uma organização dedicada ao deployment de IA.

Em 9 de julho de 2026, terminada uma prévia limitada, a OpenAI tornou a família GPT-5.6 geralmente disponível: Sol, Terra e Luna. Durante a prévia, a OpenAI trabalhou de perto com organismos especializados e parceiros confiáveis.

Em 2 de agosto de 2026, o Regulamento da IA da UE tornou-se plenamente aplicável e o Serviço para a IA, juntamente com as autoridades nacionais, assumiu a execução, a supervisão e a fiscalização. A mesma revisão adiou as obrigações de alto risco mais pesadas: os sistemas autónomos do anexo III aplicam-se a partir de 2 de dezembro de 2027 e a IA integrada em produtos regulamentados a partir de 2 de agosto de 2028. As práticas proibidas já se aplicavam desde 2 de fevereiro de 2025 e as obrigações relativas aos modelos de finalidade geral desde 2 de agosto de 2025.

A 2 de setembro de 2026 a ARC Prize publicou resultados ARC-AGI-3 verificados para o GPT-6 Astra em doze configurações de harness. No mesmo conjunto de avaliação semiprivado o modelo obtém 62,71% com o harness padrão, que lhe permite levar consigo as notas que escolhe guardar, e 98,55% com um harness Provider Adapter, que preserva o estado de raciocínio entre pedidos e comprime conversas longas. O Astra usou menos ações do que a mediana dos humanos testados em 96% dos níveis. O número mede um modelo juntamente com o seu andaime, e por isso ambos ficam aqui registados.

A 3 de setembro de 2026 a OpenAI publicou uma ficha de sistema que coloca o GPT-6 Astra no limiar Critical de capacidade cibernética segundo o seu próprio Preparedness Framework, o primeiro modelo da empresa nesse nível. A ficha descreve um modelo capaz de encontrar falhas de segurança até aí desconhecidas e de desenvolver novas formas de as explorar em muitos sistemas bem protegidos sem que alguém oriente cada passo; as capacidades sensíveis ficam atrás de um programa de acesso de confiança. A classificação é a avaliação que a OpenAI faz do seu próprio modelo perante o seu próprio quadro, e a ficha não usa as palavras AGI nem inteligência geral.